論文の概要: Pseudo-Label-Triggered Retraining from Forecast Errors for Online Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2609.39789v1
• Date: Wed, 30 Sep 2026 14:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.875146
• Title: Pseudo-Label-Triggered Retraining from Forecast Errors for Online Time Series Forecasting
• Title（参考訳）: Pseudo-Label-Triggered Retraining from Forecast Errors for Online Time Series Forecasting
• Abstract要約: PILOTは、予測エラーダイナミクスからいつ再トレーニングするかを学習するオンラインリトレーニングフレームワークである。 PILOTは、将来の予測エラーの増加から擬似ラベルを構築し、観察されたエラー状態から予測するために軽量スコアラーを訓練する。 PILOTは、良好なパフォーマンスと効率のトレードオフを維持しながら、リトレーニングポリシーの中で最先端の平均的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.4069144210024563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world time series forecasting systems operate under non-stationary data streams, where forecasting performance may degrade over time. Although retraining can recover the performance, it incurs non-trivial computational and operational costs. Under limited deployment resources, the key challenge is therefore not only how to retrain but also when to retrain. While existing retraining policies often rely on indirect indicators such as drift alarms or model staleness, we instead use realized forecast errors as direct deployment feedback. In this paper, we propose PILOT (Pseudo-label-Informed Learned Online Trigger), an online retraining framework that learns when to retrain from forecast-error dynamics. Since ground-truth retraining labels are unavailable, PILOT constructs a pseudo-label from future increases in forecast error and trains a lightweight scorer to predict it from observed error states. At deployment, PILOT uses only completed forecast errors and serves as a plug-in module for arbitrary forecasting backbones without architectural modification. We evaluate PILOT under standard multivariate forecasting settings across eight benchmarks with three representative backbones---DLinear, iTransformer, and TimesNet. Across all three backbones, PILOT achieves state-of-the-art average-rank performance among retraining policies while maintaining a favorable performance--efficiency trade-off.
• Abstract（参考訳）: 実世界の時系列予測システムは非定常データストリームの下で動作し、予測性能は時間とともに低下する可能性がある。 再訓練は性能を回復させるが、計算コストや運用コストがかかる。 そのため、限られたデプロイメントリソースの下では、重要な課題は、再トレーニングの方法だけでなく、いつ再トレーニングを行うかである。 既存のリトレーニングポリシは、ドリフトアラームやモデル安定化といった間接的なインジケータに依存していますが、代わりに、実際の予測エラーを直接的なデプロイメントフィードバックとして使用しています。 本稿では, PILOT(Pseudo-label-Informed Learned Online Trigger)を提案する。 グラウンドトルースリトレーニングラベルは利用できないため、PILOTは将来の予測誤差の増加から擬似ラベルを構築し、観測されたエラー状態から予測するために軽量スコアラーを訓練する。 デプロイメントでは、PILOTは完了した予測エラーのみを使用し、アーキテクチャ変更なしに任意のバックボーンを予測するためのプラグインモジュールとして機能する。 我々は,標準の多変量予測設定下において,3つのバックボーンを持つベンチマーク(-DLinear, iTransformer, TimesNet)でPILOTを評価する。 3つのバックボーン全体にわたって、PILOTは、パフォーマンス効率のトレードオフを維持しながら、トレーニングポリシーの中で最先端の平均ランクのパフォーマンスを達成する。

関連論文リスト

• RATL: Learning from Retrieved Residuals for Robust Multivariate Time-Series Forecasting [5.438470957632042]
  本稿では,プラグイン残差検索およびフィードバック補正手法であるRATLを提案する。 RATLはベース予測器を凍結し、検索キーを構築し、その履歴予測残余をベースモデル固有の列車専用メモリに変換する。 実験により、過去の残余が現在の文脈と一致し、再利用可能な予測情報を含んでいることが示された。
  論文  参考訳（メタデータ） (2026-09-03T14:44:31Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• PEFT-MuTS: A Multivariate Parameter-Efficient Fine-Tuning Framework for Remaining Useful Life Prediction based on Cross-domain Time Series Representation Model [11.1448655248427]
  データ駆動型残留有用寿命(RUL)予測の適用は、大量の劣化データの可用性によって長い間制約されてきた。 本研究はPEFT-MuTS, aについて検討する。 クロスドメイン事前学習時系列表現モデルに基づく数ショットRUL予測のための効率的なファインチューニングフレームワーク。
  論文  参考訳（メタデータ） (2026-01-30T06:46:57Z)
• Entropy Production in Machine Learning Under Fokker-Planck Probability Flow [0.0]
  非平衡コストダイナミクスに基づくエントロピーに基づく再学習フレームワークを提案する。 エントロピートリガーを用いたリトレーニングにより,高周波リトレーニングに匹敵する予測性能が得られることを示す。
  論文  参考訳（メタデータ） (2026-01-02T04:01:57Z)
• Prepared for the Unknown: Adapting AIOps Capacity Forecasting Models to Data Changes [10.364609328524994]
  能力管理は、ソフトウェア組織がリソースを効果的に割り当て、運用上の要求を満たすために重要である。 データ駆動分析と機械学習(ML)予測モデルは、データが進化するにつれて関連性を維持するために頻繁にトレーニングする必要がある。 本研究では,周期的再学習と比較して検出されたデータの変化に基づいて,時系列に対する再学習能力予測モデルの効果について検討する。
  論文  参考訳（メタデータ） (2025-10-11T19:21:20Z)
• Directly Forecasting Belief for Reinforcement Learning with Delays [41.52768902667611]
  遅延を伴う強化学習は、実際の出来事の遅れを知覚的に知覚することが困難である。 我々は、DFBT(Directly Forecasting Belief Transformer)という新しい信念推定手法を開発した。 DFBTは、段階的に中間状態を段階的に推定することなく、観測から状態を直接予測する。
  論文  参考訳（メタデータ） (2025-05-01T14:20:48Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [54.34189781923818]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。